Model autoregresyjny: funkcje, proces i na wynos

Przewidywanie przyszłości często wymaga bazy technicznej. W praktycznym świecie analitycy przewidują przyszłe wartości na podstawie przeszłych wartości towaru lub trendu na rynku. W modelu statystycznym nazywa się to autoregresją, jeśli jest w stanie przewidzieć przyszłe wartości na podstawie szeregu faktycznych danych dotyczących przeszłych wartości.

Na przykład model autoregresyjny może zostać wykorzystany do wyznaczenia ceny akcji w przyszłości na podstawie jej wyników w przeszłości. Analitycy wykorzystują tylko dane z przeszłości jako dane wejściowe do modelowania zachowania.

Dlatego w nazwie autoregresja użyto przedrostka „auto” (w greckim znaczeniu „self”). Modele AR są również nazywane modelami warunkowymi, modelami przejścia lub modelami Markowa.

O modelu autoregresyjnym (AR)

W statystyce, ekonometrii, a nawet przetwarzaniu obrazu model autoregresyjny (AR) jest uważany za rodzaj procesu losowego. Oznacza to, że służy do zilustrowania statystyk szeregu określonych, zmiennych w czasie wydarzeń w przyrodzie, ekonomii itp.

Praktycznie w szeregach czasowych obserwuje się podobieństwa między wartościami przeszłymi i teraźniejszymi. To implikuje zakres autokorelacji w obrębie takich danych. Na przykład, znając dzisiejszą cenę akcji, często możemy zgrubnie prognozować jutro jej wycenę. Wskazuje to na korelację, aspekt, na którym opiera się model autoregresyjny.

Model autoregresyjny (AR) jest jednym z modeli prognostycznych zbudowanych na metodach regresji. Modele regresji wielokrotnej będą prognozować zmienną przy użyciu liniowej kombinacji predyktorów; natomiast model autoregresyjny wykorzystuje kombinację przeszłych wartości, które posiada zmienna. W przeciwieństwie do modeli Autoregressive Distributed Lag (ADL), modele AR są oparte na szeregowych korelacjach między jednostkami w szeregu czasowym.

Dlatego autoregresja (AR) jest modelem szeregów czasowych. Model autoregresyjny ma na celu przewidywanie przyszłych wartości na podstawie wartości z przeszłych wydarzeń. Wykorzystuje dane wejściowe z obserwacji poprzednich kroków, a przy użyciu równania regresji przewiduje wartość w następnym kroku czasowym. Model ten może skutkować dokładnymi prognozami dla szeregu problemów z szeregami czasowymi.

Powszechnie wykorzystuje algorytm oparty na korelacjach (korelacji szeregowej) wyprowadzonych w ramach wartości w danym szeregu czasowym oraz wartości, które je prowadzą i następują po nich. Hipoteza, że ​​przeszłe wartości wpływają na wartości bieżące, sprawia, że ​​technika statystyczna jest użyteczna do analizy przyrody, takiej jak pogoda, finanse, np. ekonomia oraz innych procesów podlegających zmianom w czasie.

Przeczytaj: Model regresji liniowej

Zasadnicze elementy

• Modele autoregresyjne pomagają przewidywać przyszłe wartości na podstawie wartości przeszłych.
• Modele autoregresyjne są wykorzystywane w analizie technicznej do prognozowania przyszłych trendów.
• Modele autoregresyjne opierają się na teorii, że przyszłość będzie przypominać przeszłość.
• Dane szeregów czasowych to dane zebrane w tej samej jednostce obserwacyjnej w wielu okresach.

Przewidywanie podlega zmiennym warunkom, takim jak szybki wzrost technologiczny, lub w przypadku domeny finansowej, warunki rynkowe pod wpływem kryzysów finansowych itp.

Proces AR

Proces jest regresją liniową. Jest to regresja danych w bieżącej serii osi czasu w porównaniu z wartościami z przeszłości jednego lub wielu w tej samej serii.

W analizie regresji, zwykle w „zwykłej” regresji liniowej, wartość zmiennej wynikowej (Y) w pewnym momencie „t” w czasie pozostaje bezpośrednio związana ze zmienną predykcyjną (X).

W tym przypadku prosta regresja liniowa i modele AR różnią się sposobem, w jaki Y pozostaje zależna od X, a także od poprzednich wartości Y. Analiza korelacji jest techniką wykorzystywaną do ilościowego określania związków między dwiema zmiennymi ciągłymi.

Proces AR jest jednym z procesów stochastycznych. Zgodnie z teorią prawdopodobieństwa ma ona stopnie niepewności lub w pewnym stopniu wywołane losowością. Losowość oznacza, że ​​możesz łatwo przewidzieć przyszłe trendy, dobrze w historycznym zestawie danych. Ale nigdy nie będziesz dokładny w centach.

Proces zwykle wymaga przybliżenia i „wystarczająco bliskiego”, aby można było na nim polegać w większości przypadków.

AR na wynos

Analitycy z branży często oczekują technik statystycznych w prognozowaniu i przewidywaniu. Nauka związana z modelem autoregresyjnym (AR) zawsze pomaga profesjonalnym analitykom pewnie podejmować projekty związane z nauką o danych i analizą danych. Kursy szkoleniowe w tej dziedzinie, prowadzone przez takich dostawców jak upGrad, pomagają ruszyć w przyszłość. Marka upGrad to internetowa platforma szkolnictwa wyższego oferująca szeroką gamę programów branżowych gotowych do odniesienia sukcesu zawodowego.

Co następne?

Jeśli jesteś zainteresowany nauką o danych, sprawdź IIIT-B i upGrad's PG Diploma in Data Science, który jest stworzony dla pracujących profesjonalistów i oferuje ponad 10 studiów przypadków i projektów, praktyczne warsztaty praktyczne, mentoring z ekspertami z branży, 1- on-1 z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy z najlepszymi firmami.

Ucz się online kursów nauki o danych z najlepszych światowych uniwersytetów. Zdobywaj programy Executive PG, Advanced Certificate Programs lub Masters Programs, aby przyspieszyć swoją karierę.